Automatisering in de financiële wereld: Machine Learning, AI en verder

Big data is een big deal voor bedrijven in de 21e eeuw. De race is begonnen om meer gegevens te verzamelen, deze te verwerken tot inzichten en de concurrentie voor te blijven. Het financiële kantoor werkt met de grootste gegevens in de organisatie. Nu bedrijven meer datagestuurd willen worden, kijken ze naar de financiële afdeling om een strategisch adviseur te worden. Op onze AI in finance resource pagina zijn we dieper ingegaan op hoe kunstmatige intelligentie financiële leiders kan helpen om deze strategische, datagestuurde beslissingen te nemen. Maar hoe kan het financiële team die nieuwe rol op zich nemen en toch tijd overhouden om de boeken sluitend te houden? De uitdaging is om nieuwe efficiëntieverbeteringen te ontwikkelen, waardoor tijd en middelen vrijkomen voor taken op een hoger niveau. Automatisering op financieel gebied is een cruciaal onderdeel van de verandering. De meeste financiële afdelingen automatiseren al een aantal repetitieve handmatige processen. Maar automatisering wordt nog veel slimmer. Machine learning kan uw afdeling efficiënter maken, beter uitgerust om een meer strategische rol in de organisatie op zich te nemen. Lees verder om meer te weten te komen over de basisprincipes van machine learning in finance, use cases voor machine learning in de hele organisatie en meer.

De grondbeginselen van machinaal leren in financiën

Machine learning versus kunstmatige intelligentie

De terminologie rond kunstmatige intelligentie en machine learning kan gemakkelijk verwarrend zijn. Het is een nieuwe en snel ontwikkelende technologie en we zijn nog steeds bezig met het ontwikkelen van de woordenschat om erover te praten. Dat geldt vooral voor leveranciers - marketing speelt ook een rol in de taal die we gebruiken. Dit is wat je moet weten. Kunstmatige intelligentie en machine learning worden vaak door elkaar gebruikt, maar het zijn verschillende dingen:

• Kunstmatige intelligentie verwijst naar een machine (meestal een stuk software) die zich kan aanpassen aan nieuwe situaties zonder menselijke instructie. AI-machines zijn niet beperkt door wat ze geprogrammeerd zijn om te doen.
• Machine Learning is een methode om machines te maken die kunnen leren en hun eigen regels kunnen maken om gegevens te begrijpen.

Beide soorten technologie hebben een plaats op de moderne financiële afdeling. Als je de AI-kant van de vergelijking wilt verkennen, bekijk dan onze pagina met informatie over kunstmatige intelligentie in de financiële wereld. In dit artikel richten we ons op machinaal leren.

Hoe werkt machinaal leren?

Machine learning begint met een model, een voorspelling die het systeem zal gebruiken om te beginnen met leren. Dit model is afkomstig van de mens die het proces overziet. Je hebt bijvoorbeeld een voorspelling dat X bedrag aan investeringen in human resources Y bedrag aan inkomsten zal opleveren. Dat is het startpunt voor het leren. Vervolgens heeft de machine-leerder gegevens nodig. In dit geval zijn dat historische gegevens van het bedrag dat is geïnvesteerd in HR en de ROI voor elke investering. De lerende vergelijkt de gegevens met het model, evalueert hoe goed het past en begint het model te verfijnen. Het proces wordt dan herhaald met nieuwe gegevens. Bij elke ronde past de machine het model aan zodat het beter past bij de gegevens. In dit geval zou de machine beter worden in het voorspellen van de ROI van investeringen in human resources. Uiteindelijk zou het een model ontwikkelen dat veel nauwkeuriger is dan een menselijke schatting zou kunnen zijn. Merk op dat om dit proces te laten werken, je een goed model nodig hebt om mee te beginnen en veel schone, betrouwbare gegevens die zo gestructureerd zijn dat de machine ze kan begrijpen. Machine learning werkt natuurlijk meestal met complexere modellen dan ons voorbeeld. Je financiële modellen hebben veel meer dan alleen twee soorten gegevens om te vergelijken. De eindresultaten van het toepassen van machine learning op complexe modellen kunnen opvallend zijn: Amazon's machine learning algoritme verminderde de verzendtijd met 225%.

Aan de slag met machinaal leren in financiën

Machine learning introduceren op uw financiële afdeling is een noodzakelijke volgende stap - maar het is nog steeds een grote stap die zorgvuldige planning vereist. Het eerste wat je nodig hebt is het juiste probleem om op te lossen - het juiste project om te dienen als je machine learning project. Het juiste project is iets dat essentieel is voor je activiteiten, maar ook tijdrovend en repetitief. En machine learning wordt het best toegepast op processen die met gegevens te maken hebben; hoe meer gegevens, hoe beter. Maak van je eerste project een "kleine gok" Je hoeft geen miljoenen dollars uit te trekken of de pilot jarenlang uit te voeren. Kies een proces dat je kunt proberen te automatiseren met machine learning, boek snel resultaten en investeer meer of zoek een nieuw potentieel project. Zodra je het juiste pilotproject hebt geïdentificeerd, begin je met het verzamelen, opschonen en structureren van de gegevens. Dit kan inhouden dat je je team (en daarbuiten) moet trainen in gegevensbeheer en -hygiëne. Als je datapijplijn nog niet op orde is, is dat een eerste vereiste. Breng het landschap in kaart, zorg ervoor dat je betrouwbare gegevens binnenhaalt en begin vanaf dat punt. Terwijl je het proefproject implementeert, is het belangrijk om te beginnen met het ontwikkelen van een aantal vaardigheden. Je hoeft geen diploma in data science te halen, maar je moet jezelf en je team wel vertrouwd maken met de belangrijkste concepten en termen. Deze eenvoudige woordenlijst over datawetenschap is een goede eerste stap, terwijl deze woordenlijst over machine learning dieper ingaat op meer geavanceerde termen.

Uitdagingen voor Machine Learning in de financiële wereld

Bij elke grote verandering zijn er drie factoren om rekening mee te houden: mensen, processen en technologie. Voor machine learning is technologie het makkelijke deel: De oplossingen die commercieel beschikbaar zijn, zijn meestal aanpasbaar, gemakkelijk om mee te werken en met een vriendelijke leercurve. Dan blijven mensen en processen over die op orde moeten worden gebracht. Wees voorbereid om deze drie meest voorkomende uitdagingen aan te pakken:

1. Gegevensbeheer. Zoals we al zeiden, vereist machine learning een grote hoeveelheid gegevens van hoge kwaliteit. De machine is slechts zo goed als de gegevens die je erin stopt. De meeste organisaties hebben een breed en verspreid datalandschap, verspreid over meerdere cloudoplossingen, op locatie en zelfs op individuele apparaten. Het is belangrijk om het gegevenslandschap in kaart te brengen en te zorgen voor een pijplijn van betrouwbare gegevens.
2. Weerstand tegen verandering. Elke grote verandering leidt tot een zekere mate van onzekerheid. Bij AI en machine learning is er nog meer onzekerheid; mensen hebben het gevoel dat machines hen overbodig zullen maken. Help je team om machine learning te zien als een verbetering, niet als een vervanging. Machine learning kan hun levenskwaliteit daadwerkelijk verbeteren; ze zullen vrij zijn om zinvoller, uitdagender, interessanter werk te doen dat van grotere waarde is voor de organisatie.
3. Een business case maken. Klein beginnen met een eenvoudig proefproject maakt het makkelijker om te verkopen. Richt je op hoe het project niet alleen de efficiëntie zal verhogen, maar ook je team zal verschuiven van taken met een lage waarde naar taken met een hoge waarde.

Als de leiding niet meteen het potentieel van je machine-learningproject ziet, laat ze dan weten hoe Netflix een miljard dollar bespaarde met machine learning:

Praktijkvoorbeelden van machine learning in de financiële wereld

Weet u nog steeds niet zeker waar u moet beginnen? De volgende financiële functies zijn ideaal voor uw eerste experiment met machinaal leren.

• Facturatie: Identificeer ontbrekende/onvolledige informatie en neem automatisch contact op met klanten om de lege plekken in te vullen.
• Controle van onkostendeclaraties: Verwerk het grootste deel van de routine declaraties, identificeer uitschieters voor menselijke tussenkomst
• Rekeningen afstemmen: Vergelijk gegevens uit meerdere bronnen om te consolideren.
• Rapportage: Gegevens uit bronnen samenvoegen om eenvoudige rapporten te maken
• Fraude opsporen: Ongebruikelijke patronen/uitschieters in financiële gegevens identificeren die op fraude kunnen wijzen.

Machine learning speelt al een rol in de evolutie van de financiële afdeling, omdat de technologie eindelijk betaalbaar, commercieel beschikbaar en eenvoudig in te zetten is. De financiële afdeling zou de technologie van machine learning moeten omarmen om de efficiëntie te verhogen, repetitieve taken te automatiseren en middelen vrij te maken voor een meer strategische rol in de organisatie. Klaar voor de volgende evolutie? Ontdek hoe kunstmatige intelligentie het financiële kantoor zal verbeteren met onze pagina Activating Imagination: Artificial Intelligence & Machine Learning in Finance. Bronnen:

1. https://www.callcredit.co.uk/contact-us/campaign-ebook-data-dilemma
2. https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx
3. https://www.mediapost.com/publications/article/291358/90-of-todays-data-created-in-two-years.html
4. https://www.fool.com/investing/2016/06/19/how-netflixs-ai-saves-it-1-billion-every-year.aspx